通义Token Foundry-Qwen生态开源运营-杭州
任职要求
1. 硕士及以上学历，计算机、人工智能、数据科学等相关专业优先；具备优秀的大模型技术理解能力，熟悉主流技术开源库（PyTorch、Transformers、PEFT、vLLM等）的使用方式及大模型技术原理；具备良好的大模型周边代码编写经验，如Cookbook、推理脚本、训练流程的编写与调试。 2. 扎实的英文水平，能够使用英文进行日常…
工作职责
1. 品牌发布和运营：负责千问品牌的开源工作，与技术团队紧密协作，推进千问模型从内测到发布的完整流程，保障开源模型的高质量推出与全生命周期健康运转；深入体验社区产品功能，参与新版本内测，从技术运营视角提供优化建议；策划新模型、新功能的上线推广活动，撰写发布稿和宣传文案。 2. 内容创作与传播：紧跟AI领域前沿动态，围绕千问模型产出专业、深度的技术评测、趋势分析和实践文章；撰写从入门到精通的体系化教程、API文档、Cookbook和最佳实践指南，降低开发者使用门槛；将复杂的技术概念和模型原理，通过图文、视频、直播等多种形式进行通俗易懂的解读，持续提升千问品牌的技术影响力。 3. 开发者沟通和互动：综合运营线下渠道、国内外技术媒体、社交平台等，构建与全球开发者双向沟通的桥梁；活跃于GitHub、Hugging Face、ModelScope、Discord等主流技术社区，解答开发者技术问题，收集并反馈用户需求与产品建议；联合开源社区，策划并组织线上技术分享、直播问答等活动，维护核心开发者与模型贡献者关系，发掘并传播社区内的优质UGC内容，营造积极活跃的技术交流氛围。
Qwen-Image（千问图像）团队是阿里巴巴ATH事业群-Token Foundry下的图像生成基座团队，自2025年初成立，前后发布了Qwen-Image, Qwen-Image-Edit, Qwen-Image-2.0等一系列文生图、图像编辑基座大模型。Qwen-Image团队正在打造全球领先的图像生成技术体系，推动AI在企业服务、开发者生态、个人内容创作等领域的深度应用，引领下一代人工智能的发展。团队专注于研发视觉生成技术，其中研究内容包括但不限于：图像生成、图像编辑、理解生成一体化等，充分探索相关数据及训练方法研究，以期解决计算机视觉基本问题的同时，为 AI 赋予创造力。 工作描述： 专注于视觉通用大模型的设计、优化与高效部署，具体职责有以下方向： 1、研究高效的视觉通用大模型架构，应对复杂视觉任务，提升模型的准确性和泛化能力； 2、优化算子和通信机制，提升模型训练效率，降低硬件资源消耗，提高训练速度和资源利用率； 3、探索高效的训练策略，包括自适应学习率调整、正则化方法和优化算法选择，提升模型性能和稳定性； 4、设计和实现自动化评估方法，帮助研发团队及时发现模型不足，优化模型架构和训练策略； 5、研发数据过滤和标注相关模型，提高数据质量和可用性，为模型训练提供支持。
Qwen-Image（千问图像）团队是阿里巴巴ATH事业群-Token Foundry下的图像生成基座团队，自2025年初成立，前后发布了Qwen-Image, Qwen-Image-Edit, Qwen-Image-2.0等一系列文生图、图像编辑基座大模型。Qwen-Image团队正在打造全球领先的图像生成技术体系，推动AI在企业服务、开发者生态、个人内容创作等领域的深度应用，引领下一代人工智能的发展。团队专注于研发视觉生成技术，其中研究内容包括但不限于：图像生成、图像编辑、理解生成一体化等，充分探索相关数据及训练方法研究，以期解决计算机视觉基本问题的同时，为 AI 赋予创造力。 专注于视觉通用大模型的设计、优化与高效部署，具体职责有以下方向： 1、研究高效的视觉通用大模型架构，应对复杂视觉任务，提升模型的准确性和泛化能力； 2、优化算子和通信机制，提升模型训练效率，降低硬件资源消耗，提高训练速度和资源利用率； 3、探索高效的训练策略，包括自适应学习率调整、正则化方法和优化算法选择，提升模型性能和稳定性； 4、设计和实现自动化评估方法，帮助研发团队及时发现模型不足，优化模型架构和训练策略； 5、研发数据过滤和标注相关模型，提高数据质量和可用性，为模型训练提供支持。
1. Agent模型后训练： 负责大模型在Agent场景下的后训练（Post-training）工作，提升模型在复杂Agent任务中的表现。 2. 强化学习与RL探索： 设计并优化基于强化学习（RL）的Agent训练框架，提升模型的长期规划能力、试错反思能力及工具调用准确率。 3. 核心能力构建： 针对Agent的核心能力进行专项模型训练与对齐优化。 4. 行业解决方案落地： 深入理解具体行业的业务痛点，将Agent模型能力与行业Know-how结合，设计并落地端到端的行业Agent解决方案。 5. 前沿技术追踪： 跟踪学术界和工业界在LLM Agent、RLHF、后训练领域的最新进展，将前沿技术转化为团队的工程与算法资产。
推动在各个行业专家领域高生产力价值Cowork Agent的构建与实践落地，让模型在Agent环境中完成现实世界的真正复杂任务，持续提升模型在真实、高经济价值任务中的表现，拓展大模型实际能力边界。 1. Envs/Harness Building & Generalization：复现并维护高可靠性主流Harness环境，提升模型在不同Harness场景下的泛化能力；同步探索Qwen Frontier Harness设计，探索Loop Engineering、Multi-Agent 与 Auto-Harness，与算法/数据链路 codesign 实现更好效果。 2. Data Design & Scaling：挖掘金融、量化、法律、医疗、设计、数据分析、工业、工程等场景下的高价值数据和workflow，探索数据Pattern演化，User-Centric Data优化，General Long-Horizon Data Pipeline构建；在CPT/SFT/RL端到端验证配比/学习策略，优化模型端到端长程的行业Agent解决方案。 3. Agentic Rewarding System：构建面向真实Agentic任务的General Verifier，设计Evolving Rubrics、Code Verifier、实现Outcome & Process Level 数据监督与自动化Rewarding，User model Rewarding。 4. Real World RL：基于现实环境、现实任务的大规模Agentic RL训练，探索CPT->RL的端到端Scaling Law，Multi-step Rewarding Shaping，Agentic Behavior Learning。